使用顺序匹配网络（SMN）解决对话中响应选择的问题，该网络通过循环神经网络（RNN）建立了对辞话关系的建模并比现有工作取得更好的响应选择结果。

Dec, 2016

本文利用局部敏感哈希树LSH Forest实现了基于向量表示的答案检索，并探讨了使用候选项选择方法时，这种方法的优越性。在Ubuntu语料库和荷兰的客户服务聊天数据集上进行的实验结果表明，检索式方法优于生成式方法，并揭示了未来研究方向。

Oct, 2017

我们提出了一种名为序列匹配框架（SMF）的新型匹配框架，该框架可以充分携带上下文中的重要信息，同时建模上下文中话语之间的关系，通过序列卷积网络和序列注意力网络实现，实验结果表明，这两种模型都可以显著优于现有技术，而可视化结果揭示了模型如何捕捉并利用上下文中的重要信息实现匹配。

Oct, 2017

本文提出了一种名为PR-Embedding的对话词嵌入方法，其利用对话对<post，reply>学习词嵌入，使用来自两个不同语义空间的向量代表post和reply中的单词并通过训练词级和句级来生成交叉句窗口，实验结果表明PR-Embedding可以提高检索型对话系统的响应选择质量。

Apr, 2020

该研究工作研究了如何构造多参考训练数据和使用具有表达性先验的 LGM 模型来提高对话模型的生成多对多关系的能力。

Sep, 2020

本文提出一种对话导向的对比学习方法，即 DialogueCSE，以解决利用对话学习句子嵌入时出现的评估训练差距。通过引入新的匹配引导嵌入机制，该方法生成了上下文感知嵌入，并通过对比损失来最小化每个上下文感知嵌入与其对应的上下文无关嵌入的差异。实验结果表明，在三个多回合对话数据集上，该方法在 MAP 和 Spearman 相关性指标方面优于基线表现，具有很高的效力。

Sep, 2021

该研究提出了一种利用密集检索模型从包含数百万个响应的大型语料库或甚至仅由未配对句子组成的非平行语料库中直接选择适当响应的解决方案，并通过一系列专门设计的学习策略实现其在全范围评估设置下的优越性。

Oct, 2021

本文提出了一种轻量级的完全卷积体系结构DialogConv，在卷积操作的基础上，对上下文和回应进行匹配，以从多个上下文视角捕获更丰富的语义信息，与现有模型相比，DialogConv大小平均缩小8.5倍，CPU和GPU设备上分别快了79.39倍和10.64倍。

Oct, 2022

本研究提出了 Dial-MAE 技术，它是一种针对对话回答选择的后期训练技术，使用了对话语境掩码自动编码器和不对称编码器-解码器架构来更好地压缩对话语义，并在两个常见的基准测试中取得了最先进的性能。

Jun, 2023

通过对话语境和反馈响应进行对比学习，本文研究了将其嵌入到相同表示空间的可能性。通过使用嵌入模型评估其在美式英语对话中作为上下文-反馈适当性度量和反馈响应排序的效果，结果表明该模型在相同排序任务上优于人类，且学习到的嵌入包含了反馈响应的会话功能信息。

Jun, 2024